思路

对每个测试对 (u, i)，按以下优先级产生预测：

1. 命中原始评分：若训练集中存在该 (u,i) 的真实评分，直接返回该分数。
2. 用户均值：否则，若用户 u 有其他历史评分，则返回其历史评分均值。
3. 全局均值：否则（冷启动用户），返回训练集全局均值。

最后将结果四舍五入为两位小数（正数域可用 floor(x*100+0.5)/100 实现“真正四舍五入”），并截断到 [1.00, 5.00]，以两位小数的字符串输出（含末尾 0）。

题目内容

请在仅使用 $numpy/pandas$ 的前提下，实现一个 $Deterministic$ $User-Mean$ $Baseline$ 用于评分预测。

对给定 $(user,item)$ 测试对，输出预测评分(保留 $2$ 位小数)。

算法要求简单却体现推荐系统常见的缺失值填补/冷启动逻辑。

预测规则

1.若用户 $u$ 在训练集中已评价 $item$ $i$

• 直接返回该真实评分

2.否则若用户 $u$ 有其他历史评分

• 参考用户历史平均评分

3.否则(冷启动用户)

• 以全局平均评分代替个体分数

4.结果四舍五入保留 $2$ 位小数，以字符串形式输出，限定区间 $[1.00,5.00]$

备注：训练集中不会出现重复的 $(user,item)$ ，评分均在 $1-5$ 间。

输入描述

输入格式
{
 "train":[[user_id,item_id,rating],...],
 "test":[[user_id,item_id],...]
}

• $user$_ $id$, $item$_ $id$ 为整数

• $rating$ 为浮点 $(1-5)$

• 无缺失值、无额外字段

输出描述

单行 $JSON$ 数组：[“$3.00$",“$3.00$”,“$3.50$”]

• 顺序与输入 $test$ 完全一致

• 每个值为两位小数，含尾部 $0$ ，以字符串形式出书。

补充说明

1.为了确保通过测试用例，仅允许使用 $Numpy$ 与 $Pandas$ 库实现

2.测试集不用于更新该推荐系统

样例1

输入

{"train":[[1,1,5],[1,2,3],[2,1,4],[2,2,2]],"test":[[1,2],[2,3],[3,1]]}

输出

["3.00","3.00","3.50"]